本發(fā)明涉及綜合能源預(yù)測，特別涉及一種基于二次解耦的綜合能源多元負(fù)荷短期預(yù)測方法。

背景技術(shù)：

1、在傳統(tǒng)的預(yù)測多元負(fù)荷時(shí)，容易產(chǎn)生傾向性的預(yù)測結(jié)果，如大幅提高了某一負(fù)荷的預(yù)測精度，但犧牲了其他負(fù)荷預(yù)測的準(zhǔn)確性，導(dǎo)致最終預(yù)測結(jié)果的失衡。為了解決多元負(fù)荷預(yù)測中預(yù)測失衡的問題，研究者們提出了多任務(wù)學(xué)習(xí)(mtl)模型，mtl通過共享底層網(wǎng)絡(luò)結(jié)構(gòu)來同時(shí)訓(xùn)練多個(gè)相關(guān)任務(wù)，以期提升模型在所有任務(wù)上的性能。然而mtl也存在一個(gè)局限性，即它將所有輸入的影響因素納入模型中，而無法區(qū)分這些因素對(duì)多元負(fù)荷預(yù)測結(jié)果是正面的還是負(fù)面的，因此并沒有從根本上解決預(yù)測不平衡的問題。隨著研究的深入，mixture?of?experts(mmoe)模型被提出，mmoe通過為每個(gè)任務(wù)分配專門的專家網(wǎng)絡(luò)，并利用門控機(jī)制，靈活控制不同專家的輸出組合，以實(shí)現(xiàn)對(duì)各個(gè)任務(wù)的最佳適應(yīng)。這一創(chuàng)新有效地緩解了任務(wù)間的負(fù)遷移問題，即一個(gè)任務(wù)的性能提升不再以犧牲另一個(gè)任務(wù)的表現(xiàn)為代價(jià)，使得mmoe在多元負(fù)荷預(yù)測中展現(xiàn)出了顯著的優(yōu)勢(shì)。然而，盡管mmoe模型帶來了諸多改善，但其網(wǎng)絡(luò)構(gòu)建和參數(shù)的交互機(jī)制是新的挑戰(zhàn)。研究者們開始探索改進(jìn)模型，例如，通過優(yōu)化專家選擇策略、改進(jìn)門控機(jī)制或設(shè)計(jì)更高效的網(wǎng)絡(luò)結(jié)構(gòu)，研究者們致力于突破mmoe在網(wǎng)絡(luò)構(gòu)建和參數(shù)交互機(jī)制等方面的局限性。這些改進(jìn)不僅有助于提升模型性能，還能降低計(jì)算資源的消耗，使得多任務(wù)學(xué)習(xí)在實(shí)際應(yīng)用中變得更加高效和可行。

2、在多任務(wù)學(xué)習(xí)領(lǐng)域有兩個(gè)常見的挑戰(zhàn)。任務(wù)間性能不平衡現(xiàn)象，在多任務(wù)學(xué)習(xí)中，當(dāng)各個(gè)任務(wù)之間的相關(guān)性較復(fù)雜時(shí)，可能會(huì)出現(xiàn)提高其中一個(gè)任務(wù)的效果會(huì)伴隨其他任務(wù)效果的下降的情況，在ies多元負(fù)荷預(yù)測任務(wù)中，一種負(fù)荷預(yù)測效果的提升往往伴隨著其余負(fù)荷預(yù)測效果的下降。比如電負(fù)荷預(yù)測精度提高了，冷負(fù)荷與熱負(fù)荷的預(yù)測精度下降。負(fù)遷移現(xiàn)象，負(fù)遷移是指在多任務(wù)學(xué)習(xí)中，任務(wù)之間的相關(guān)性不強(qiáng)，或者甚至是有沖突的情況下，使得學(xué)習(xí)性能下降。ies的各負(fù)荷間的耦合特性是不斷變化的，比如冬季和秋季各負(fù)荷間的耦合程度會(huì)較強(qiáng)，當(dāng)夏季，熱負(fù)荷波動(dòng)性較大，其與冷負(fù)荷和電負(fù)荷的相關(guān)性較弱，由此導(dǎo)致出現(xiàn)負(fù)遷移現(xiàn)象。兩者的區(qū)別在于：首先，任務(wù)間性能不平衡現(xiàn)象是指在提升一個(gè)任務(wù)的性能的同時(shí)，可能會(huì)犧牲其他任務(wù)的性能。無法同時(shí)讓各任務(wù)取得理想的效果。其次，負(fù)遷移現(xiàn)象則是指多任務(wù)學(xué)習(xí)的效果不如單獨(dú)訓(xùn)練各個(gè)任務(wù)的效果，不如獨(dú)立預(yù)測各負(fù)荷，共同訓(xùn)練模型反而會(huì)導(dǎo)致任務(wù)的效果下降。也就是說，當(dāng)各負(fù)荷間或是兩負(fù)荷間相關(guān)性不強(qiáng)時(shí)，通過多任務(wù)學(xué)習(xí)實(shí)現(xiàn)各負(fù)荷間的信息共享，會(huì)影響網(wǎng)絡(luò)的表現(xiàn)，導(dǎo)致各負(fù)荷預(yù)測精度下降。這種現(xiàn)象在任務(wù)之間的相關(guān)性不強(qiáng)，或者甚至是有沖突的情況下更為明顯。mmoe使用門控網(wǎng)絡(luò)結(jié)合專家網(wǎng)絡(luò)來處理任務(wù)的相關(guān)性，雖然在一定程度上緩解了負(fù)遷移現(xiàn)象，但是忽略了專家網(wǎng)絡(luò)間的差異性和交互信息，其潛力需要進(jìn)一步挖掘。為了解決上述問題，現(xiàn)有技術(shù)提出使用先驗(yàn)知識(shí)來捕獲復(fù)雜任務(wù)相關(guān)性的方法，使用共享專家和任務(wù)專用專家減輕信息中有害參數(shù)的干擾，以progressive?layered?extraction(ple)的方式，使用多層專家和門控網(wǎng)絡(luò)，從底層的專家網(wǎng)絡(luò)提取更深層次的信息，從高層專家網(wǎng)絡(luò)分離任務(wù)參數(shù)。由于綜合能源系統(tǒng)的冷負(fù)荷、熱負(fù)荷和電負(fù)荷之間包含了大量的耦合特征與季節(jié)特征，通過patchtst數(shù)據(jù)分割可以將ies多元負(fù)荷的時(shí)間序列分割為很多數(shù)據(jù)塊，通過掩碼捕捉可以對(duì)每個(gè)數(shù)據(jù)塊進(jìn)行重構(gòu)，由于重構(gòu)數(shù)據(jù)接受了季節(jié)和耦合的相關(guān)性結(jié)構(gòu)使趨勢(shì)項(xiàng)和季節(jié)性更為突出，已有研究表明，時(shí)間序列的分解與聚合，有助于提取出序列數(shù)據(jù)中深層次的趨勢(shì)和季節(jié)性變化。為綜合能源系統(tǒng)提供一種新的更有效的patchtst-ple混合預(yù)測模型。

3、綜上，現(xiàn)有技術(shù)當(dāng)中，難以有效的捕捉多元負(fù)荷間的耦合性，且抗噪能力以及時(shí)間頻率分辨率較差，并且預(yù)測精度較差，以及綜合能源短期多元負(fù)荷預(yù)測技術(shù)中的準(zhǔn)確性和平衡性不足。

技術(shù)實(shí)現(xiàn)思路

1、基于此，本發(fā)明的目的是提供一種基于二次解耦的綜合能源多元負(fù)荷短期預(yù)測方法，以解決上述現(xiàn)有技術(shù)當(dāng)中的不足。

2、本發(fā)明提供一種基于二次解耦的綜合能源多元負(fù)荷短期預(yù)測方法，所述方法包括：

3、收集多元負(fù)荷數(shù)據(jù)集，并根據(jù)季節(jié)特征以及數(shù)據(jù)耦合關(guān)系將所述多元負(fù)荷數(shù)據(jù)集分為上半年數(shù)據(jù)集以及下半年數(shù)據(jù)集，基于所述上半年數(shù)據(jù)集以及所述下半年數(shù)據(jù)集重構(gòu)所述多元負(fù)荷數(shù)據(jù)集中的冬季數(shù)據(jù)集以及夏季數(shù)據(jù)集，以進(jìn)行一次解耦；

4、基于ttao-vmd對(duì)重構(gòu)后的所述冬季數(shù)據(jù)集以及重構(gòu)后的所述夏季數(shù)據(jù)集進(jìn)行分解，以得到分解后的數(shù)據(jù)；

5、通過精細(xì)復(fù)合多尺度樣本熵將所述分解后的數(shù)據(jù)劃分為周期項(xiàng)以及趨勢(shì)項(xiàng)，以進(jìn)行二次解耦；

6、采用miv特征篩選對(duì)所述趨勢(shì)項(xiàng)進(jìn)行篩選，并采用lasso線性回歸模型對(duì)篩選后的所述趨勢(shì)項(xiàng)進(jìn)行預(yù)測，得到趨勢(shì)項(xiàng)預(yù)測結(jié)果；

7、采用progressive?layered?extraction多任務(wù)學(xué)習(xí)對(duì)所述周期項(xiàng)進(jìn)行多元負(fù)荷預(yù)測，以得到周期項(xiàng)預(yù)測結(jié)果，并將所述趨勢(shì)項(xiàng)預(yù)測結(jié)果以及所述周期項(xiàng)預(yù)測結(jié)果進(jìn)行相加，以得到最終預(yù)測結(jié)果。

8、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：通過重構(gòu)冬季數(shù)據(jù)集以及夏季數(shù)據(jù)集，進(jìn)行第一次耦合，通過將分解后的數(shù)據(jù)劃分為周期項(xiàng)以及趨勢(shì)項(xiàng)，以進(jìn)行二次解耦，從而能夠有效的捕捉多元負(fù)荷件的耦合性，通過ttao-vmd對(duì)重構(gòu)后的數(shù)據(jù)進(jìn)行分解，能夠?qū)崿F(xiàn)非線性以及非平穩(wěn)信號(hào)的精確分解，提升抗噪能力以及時(shí)間頻率分辨率，通過精細(xì)復(fù)合多尺度樣本熵進(jìn)行劃分，能夠減少特征提取過程中的特征冗余以及數(shù)據(jù)噪聲，提高預(yù)測精度，并且通過progressive?layered?extraction多任務(wù)學(xué)習(xí)對(duì)周期項(xiàng)進(jìn)行多元負(fù)荷預(yù)測，能夠有效提高預(yù)測準(zhǔn)確性的同時(shí)兼顧平衡性。

9、進(jìn)一步的，所述并根據(jù)季節(jié)特征以及數(shù)據(jù)耦合關(guān)系將所述多元負(fù)荷數(shù)據(jù)集分為上半年數(shù)據(jù)集以及下半年數(shù)據(jù)集的步驟包括：

10、將所述多元負(fù)荷數(shù)據(jù)集中的負(fù)荷序列劃分為若干子序列；

11、采用隨機(jī)掩碼對(duì)若干所述子序列中的部分?jǐn)?shù)據(jù)進(jìn)行掩蓋，以捕捉多元負(fù)荷間的耦合關(guān)系進(jìn)行特征提取重構(gòu)。

12、進(jìn)一步的，所述基于所述上半年數(shù)據(jù)集以及所述下半年數(shù)據(jù)集重構(gòu)所述多元負(fù)荷數(shù)據(jù)集中的冬季數(shù)據(jù)集以及夏季數(shù)據(jù)集的步驟包括：

13、所述多元負(fù)荷數(shù)據(jù)集包括春數(shù)據(jù)、夏數(shù)據(jù)、秋數(shù)據(jù)以及冬數(shù)據(jù)，對(duì)所述春數(shù)據(jù)、所述夏數(shù)據(jù)、所述秋數(shù)據(jù)以及所述冬數(shù)據(jù)進(jìn)行排列，并根據(jù)季節(jié)特征以及數(shù)據(jù)耦合關(guān)系將所述春數(shù)據(jù)、所述夏數(shù)據(jù)、所述秋數(shù)據(jù)以及所述冬數(shù)據(jù)分為上半年數(shù)據(jù)及以及下半年數(shù)據(jù)集；

14、基于ptachtst提取所述多元負(fù)荷數(shù)據(jù)集中的多元負(fù)荷序列內(nèi)的局部信息，并通過多頭注意力機(jī)制挖掘所述多元負(fù)荷序列的時(shí)間依賴關(guān)系，以得到特征向量；

15、基于若干獨(dú)立的注意力機(jī)制獲取所述多元負(fù)荷序列的不同子空間的注意力分布；

16、基于bilstm對(duì)所述特征向量進(jìn)行雙向建模；

17、基于訓(xùn)練集對(duì)patchtst-bilstm進(jìn)行訓(xùn)練，以得到訓(xùn)練后的patchtst-bilstm，并在所述訓(xùn)練集上調(diào)整超參數(shù)，以得到最優(yōu)超參數(shù)配置下的負(fù)荷重構(gòu)結(jié)果；

18、基于測試集對(duì)所述訓(xùn)練后的patchtst-bilstm進(jìn)行重構(gòu)，以得到最終的ies多云負(fù)荷重構(gòu)結(jié)果。

19、進(jìn)一步的，所述基于ttao-vmd對(duì)重構(gòu)后的所述冬季數(shù)據(jù)集以及重構(gòu)后的所述夏季數(shù)據(jù)集進(jìn)行分解的步驟包括：

20、在ttao算法中引入動(dòng)態(tài)調(diào)諧機(jī)制；

21、根據(jù)引入動(dòng)態(tài)調(diào)諧機(jī)制后的ttao算法對(duì)重構(gòu)后的所述冬季數(shù)據(jù)集以及重構(gòu)后的所述夏季數(shù)據(jù)集進(jìn)行分解。

22、進(jìn)一步的，所述ttao算法的中心頻率的調(diào)整公式為：

23、；

24、式中，表示中心頻率，表示第個(gè)頻率分量，表示在時(shí)間步時(shí)，表示在時(shí)間步時(shí)的第頻率分量的中心頻率，表示偏導(dǎo)數(shù)，表示分解過程中的目標(biāo)函數(shù)，表示所述中心頻率的步長；

25、所述ttao算法的帶寬參數(shù)的調(diào)整公式為：

26、；

27、式中，表示第個(gè)帶寬參數(shù)，表示在時(shí)間步時(shí)的第個(gè)帶寬參數(shù)的值，表示所述帶寬參數(shù)的步長。

28、進(jìn)一步的，所述分解過程中的所述目標(biāo)函數(shù)的表達(dá)式為：

29、；

30、式中，表示分解過程中的所述目標(biāo)函數(shù)的表達(dá)式，表示第個(gè)本征模態(tài)函數(shù)，為的導(dǎo)數(shù)表示信號(hào)的頻率帶寬，表示在時(shí)間步時(shí)的第個(gè)帶寬參數(shù)的值。

31、進(jìn)一步的，所述通過精細(xì)復(fù)合多尺度樣本熵將所述分解后的數(shù)據(jù)劃分為周期項(xiàng)以及趨勢(shì)項(xiàng)的步驟包括：

32、基于精細(xì)復(fù)合多尺度樣本熵并采用細(xì)粒度的尺度對(duì)所述分解后的數(shù)據(jù)進(jìn)行相似性閾值的選擇，并結(jié)合若干種熵度量進(jìn)行評(píng)估；

33、引入精細(xì)的尺度分解捕捉所述分解后的數(shù)據(jù)中的復(fù)雜動(dòng)態(tài)特征，以將所述分解后的數(shù)據(jù)分為周期項(xiàng)以及趨勢(shì)項(xiàng)。

34、進(jìn)一步的，所述采用miv特征篩選對(duì)所述趨勢(shì)項(xiàng)進(jìn)行篩選，并采用lasso線性回歸模型對(duì)篩選后的所述趨勢(shì)項(xiàng)進(jìn)行預(yù)測的步驟包括：

35、通過miv模型并基于電負(fù)荷、熱負(fù)荷以及冷負(fù)荷對(duì)所述趨勢(shì)項(xiàng)中的氣象數(shù)據(jù)以及日歷規(guī)則的數(shù)值大小進(jìn)行擾動(dòng)，以得到miv值；

36、采用lasso線性回歸模型并通過最小化l1范數(shù)懲罰的損失函數(shù)以剔除所述miv值中的預(yù)設(shè)特征。

37、進(jìn)一步的，所述最小化l1范數(shù)懲罰的損失函數(shù)的表達(dá)式為：

38、；

39、式中，表示所述最小化l1范數(shù)懲罰的損失函數(shù)，表示第個(gè)樣本的實(shí)際值，表示第個(gè)樣本的預(yù)測值，表示所述miv模型的回歸系數(shù)，表示第個(gè)特征對(duì)應(yīng)的回歸系數(shù)，表示樣本數(shù)，表示特征數(shù)，表示正則化參數(shù)。

40、進(jìn)一步的，所述采用progressive?layered?extraction多任務(wù)學(xué)習(xí)對(duì)所述周期項(xiàng)進(jìn)行多元負(fù)荷預(yù)測，以得到周期項(xiàng)預(yù)測結(jié)果的步驟包括：

41、基于progressive?layered?extraction并采用多層專家網(wǎng)絡(luò)以及門控網(wǎng)絡(luò)提取所述周期項(xiàng)中的深度信息；

42、采用全連接層作為可學(xué)習(xí)的權(quán)重矩陣，并通過softmax函數(shù)為每一層所述專家網(wǎng)絡(luò)分配權(quán)重；

43、整合分配權(quán)重候的每一層所述專家網(wǎng)絡(luò)所提取的所述深度信息，以輸出周期性預(yù)測結(jié)果。